hallucination-leaderboard

hallucination-leaderboard

LLM在文档总结任务中的幻觉频率排名

Vectara的Hughes幻觉评估模型定期分析和更新LLM排名,揭示各模型在文档总结任务中的幻觉出现频率。排行榜还包括事实一致性率、回答率等关键性能指标,助您识别信息传达准确性最佳的LLM。

VectaraLLMhallucination ratefactual consistencyHHEM-2.1Github开源项目

Hallucination Leaderboard 项目介绍

项目背景与目标

Hallucination Leaderboard 是一个由 Vectara 公司发起的公共大规模语言模型(LLM)排行榜,该排行榜基于哈奇斯幻觉评估模型(Hughes Hallucination Evaluation Model, HHEM)来评估。当LLM在总结文档时引入不真实信息(幻觉)的频率如何。此项目旨在随着模型和LLM的更新,定期更新排行榜,为学术研究和产业应用提供实时评估工具。

幻觉评估模型

排行榜的排行是通过最新版本的HHEM-2.1幻觉评估模型来计算的。此模型专门用于检测LLM输出中的幻觉,以确保生成的总结内容与原始文档的一致性和准确性。感兴趣的用户可以在 Hugging Face 和 Kaggle 访问这一开源版本的评估模型。

数据来源与方法论

为了评估模型,我们使用了多个开放源代码的数据集,这些数据集用于研究总结模型的真实性一致性。具体而言,项目方将千余个短文档通过各个LLM的公共API进行总结,最终使用831个被所有模型总结的文档来计算各个模型的总体真实性一致性率与幻觉率。

项目特别关注于总结任务中的真实一致性而非总体真实准确性,这是为了能更精准地比较模型在给定信息下的回复表现。幻觉检出过程参考了大量现有的学术研究,使得这一方法不仅可用于当前任务,也对LLM的整体真实性能力提供指引。

模型排行榜

在排行榜上,各个模型的表现通过以下指标进行展示:

  • 幻觉率:反映了模型生成不真实内容的频率。
  • 实际一致性率:描述了模型生成内容与原始文档的一致性。
  • 回应率:模型是否能有效回应指定任务。
  • 总结长度:模型生成总结的平均字数。

这些指标结合为用户提供了对不同模型在总结任务中的真实性和一致性表现的全面理解。

已实现与未来计划

项目当前实现了一个排名列表,用户可以在 Hugging Face 网站查看完整排行榜。项目方还计划添加更多特性,例如引用准确性的排行榜以及多文档总结等任务的评估。此外,未来也将扩展语言覆盖范围,以适应更多样化的用户需求和应用场景。

总之, Hallucination Leaderboard 项目致力于为大规模语言模型提供直观且详尽的真实性检测工具,也是模型研究和应用的一大进展。希望通过社区共同努力,不断推进幻觉检测领域的发展,优化模型的输出质量。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多